基于OpenCV的人脸识别:LBPH算法

文章目录

    • 引言
    • 一、概述
    • 二、代码实现
      • [1. 代码整体结构](#1. 代码整体结构)
      • [2. 导入库解析](#2. 导入库解析)
      • [3. 训练数据准备](#3. 训练数据准备)
      • [4. 标签系统](#4. 标签系统)
      • [5. 待识别图像加载](#5. 待识别图像加载)
      • [6. LBPH识别器创建](#6. LBPH识别器创建)
      • [7. 模型训练](#7. 模型训练)
      • [8. 预测执行](#8. 预测执行)
      • [9. 结果输出](#9. 结果输出)
    • [三、 LBPH算法原理解析](#三、 LBPH算法原理解析)
    • 四、关键点解析
    • 五、改进方向
    • 总结

引言

人脸识别是计算机视觉领域的一个重要应用,今天我将分享一个使用Python和OpenCV实现的简单人脸识别系统。这个系统能够识别特定人物的照片,并给出识别结果的置信度。

一、概述

这个系统使用了OpenCV的LBPH(Local Binary Patterns Histograms)人脸识别算法,通过训练已知的人脸图像,然后对新的图像进行预测识别。

二、代码实现

python 复制代码
import cv2
import numpy as np

# 加载训练用的人脸照片
images = []
images.append(cv2.imread('linyuner 1.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('linyuner 2.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('chendulin 1.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('chendulin 2.jpg', cv2.IMREAD_GRAYSCALE))

# 对应标签(0代表林允儿,1代表陈都灵)
labels = [0, 0, 1, 1]

# 标签字典,用于将数字标签转换为可读名称
dic = {0: '林允儿', 1: '陈都灵', -1: '无法识别'}

# 加载待识别的人脸图像
predict_image = cv2.imread('chendulin 3.jpg', cv2.IMREAD_GRAYSCALE)

# 创建LBPH人脸识别器,设置阈值为80
recognizer = cv2.face.LBPHFaceRecognizer_create(threshold=80)

# 训练识别器
recognizer.train(images, np.array(labels))

# 进行预测
label, confidence = recognizer.predict(predict_image)

# 输出结果
print('这人是:', dic[label])
print('置信度', confidence)

1. 代码整体结构

这段代码实现了一个简单但完整的人脸识别系统,主要流程包括:

  1. 加载训练图像
  2. 准备对应标签
  3. 创建识别器
  4. 训练模型
  5. 预测新图像
  6. 输出结果

2. 导入库解析

python 复制代码
import cv2
import numpy as np
  • cv2:OpenCV库,提供计算机视觉相关功能,这里主要使用其人脸识别模块
  • numpy:Python科学计算基础库,用于处理数组和矩阵运算

3. 训练数据准备

python 复制代码
images = []
images.append(cv2.imread('linyuner 1.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('linyuner 2.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('chendulin 1.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('chendulin 2.jpg', cv2.IMREAD_GRAYSCALE))
  • cv2.imread() :读取图像文件
    • 第一个参数:图像路径
    • 第二个参数cv2.IMREAD_GRAYSCALE:以灰度模式读取图像,因为人脸识别通常不需要颜色信息
  • 将读取的图像存储在images列表中

4. 标签系统

python 复制代码
labels = [0, 0, 1, 1]
dic = {0: '林允儿', 1: '陈都灵', -1: '无法识别'}
  • labels :与训练图像对应的数字标签
    • 0代表"林允儿"
    • 1代表"陈都灵"
  • dic :字典,将数字标签映射为可读的名称
    • -1表示无法识别的情况

5. 待识别图像加载

python 复制代码
predict_image = cv2.imread('chendulin 3.jpg', cv2.IMREAD_GRAYSCALE)
  • 同样以灰度模式加载待识别的图像
  • 放入一张陈都灵的照片进行检验,后面代码会显示预测结果

6. LBPH识别器创建

python 复制代码
recognizer = cv2.face.LBPHFaceRecognizer_create(threshold=80)
  • LBPH(Local Binary Patterns Histograms) :局部二值模式直方图
    • 一种高效的人脸识别算法
    • 对光照变化有一定鲁棒性
  • threshold=80 :设置识别阈值
    • 当预测的置信度距离大于此值时,返回-1(无法识别)
    • 这个值需要根据实际情况调整

7. 模型训练

python 复制代码
recognizer.train(images, np.array(labels))
  • 使用训练图像和对应标签训练模型
  • 将Python列表转换为numpy数组,这是OpenCV函数常见的输入要求

8. 预测执行

python 复制代码
label, confidence = recognizer.predict(predict_image)
  • predict():对新的图像进行预测
  • 返回两个值:
    • label:预测的标签(对应之前的0或1)
    • confidence:置信度(距离值),越小表示匹配度越高

9. 结果输出

python 复制代码
print('这人是:', dic[label])
print('置信度', confidence)
  • 使用字典将数字标签转换为可读名称
  • 输出识别结果和置信度
  • 结果输出如下:

三、 LBPH算法原理解析

LBPH工作的三个主要步骤:

  1. 局部二值模式(LBP)特征提取

    • 对每个像素与其邻域像素比较
    • 生成二进制模式
  2. 直方图构建

    • 将图像分成多个小区域
    • 为每个区域构建LBP直方图
  3. 比较直方图

    • 比较输入图像与训练图像的直方图
    • 使用卡方距离等度量方法

四、关键点解析

  1. 图像加载 :所有图像都以灰度模式加载(cv2.IMREAD_GRAYSCALE),因为人脸识别通常不需要颜色信息。

  2. 标签系统:使用数字标签(0,1)对应不同人物,并通过字典转换为可读名称。

  3. LBPH算法:Local Binary Patterns Histograms是一种高效的人脸识别算法,对光照变化有一定的鲁棒性。

  4. 阈值设置:阈值设为80,当预测的置信度高于此值时,返回-1(无法识别)。

  5. 训练与预测:先使用已知图像训练模型,然后对新的图像进行预测。

五、改进方向

  1. 增加更多的人脸样本以提高准确性
  2. 实现实时摄像头人脸识别
  3. 添加人脸检测功能,自动裁剪人脸区域
  4. 使用更先进的深度学习模型

总结

通过这个简单的示例,我们了解了如何使用OpenCV实现基础的人脸识别功能。虽然这个系统比较简单,但它展示了人脸识别的基本原理和工作流程。随着样本数量的增加和算法的优化,系统的识别准确率可以进一步提高。

希望这篇博客对你理解人脸识别技术有所帮助!如果你有任何问题或建议,欢迎在评论区留言。

万事胜意,得偿所愿!加油各位!!!🚀🚀🚀

相关推荐
cylat27 分钟前
Day38 Dataset和Dataloader类
人工智能·python·深度学习·神经网络·机器学习
yuluo_YX32 分钟前
AI Gateway 介绍
人工智能·gateway
HeartException44 分钟前
Spring Boot + MyBatis Plus + SpringAI + Vue 毕设项目开发全解析(源码)
人工智能·spring boot·学习
VR最前沿44 分钟前
Xsens动作捕捉技术用于研究机器人的运动控制、姿态调整以及人机交互
人工智能·机器人·人机交互
云卓SKYDROID1 小时前
无人机交互控制技术要点
人工智能·人机交互·无人机·遥控器·高科技·云卓科技
大千AI助手1 小时前
LangChain执行引擎揭秘:RunnableConfig配置全解析
人工智能·langchain·config
家庭云计算专家1 小时前
ONLYOFFICE 协作空间 企业版使用秘籍-5.企业电子文件如何管理?便于查找、访问和协作,轻松提升效率
大数据·运维·人工智能·onlyoffice·协作空间·onlyoffice开发版
mortimer1 小时前
Whisper 模型推理终极加速指南:CTranslate2 从入门到精通
人工智能·开源·github
沐尘而生2 小时前
【AI智能体】Coze 数据库从使用到实战操作详解
数据库·人工智能·ai作画·程序员创富
聚客AI2 小时前
「实战指南」90%+准确率的BERT微调:情感分析模型落地指南
人工智能·llm·掘金·日新计划